無法獲取開始和結束標記之間的文本

Question

soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'html.parser') 
print(soup.p.string) 
None 

輸出是否正常？

Answer 1

雖然<\p>無效，但lxml會嘗試關閉第一個標記，因此此代碼有效。 html.parser在這個領域做得不好。

soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'lxml') 
print(soup.p.get_text(strip=True)) 

，輸出：

'hello''my鏈接'

Answer 2

>>>soup = BeautifulSoup("<p>adA<a>asda</a>asda</p>") 
>>> soup.p 
<p>adA<a>asda</a>asda</p> 
>>> soup.p.text 
u'adAasdaasda' 

我認爲BS不能真正得到只有幾段文字，因爲有AA標籤嵌套在裏面。我認爲，當你嘗試獲取文本時，它會遞歸地從所有子節點獲取文本並將其附加到輸出中。

Answer 3

由於最初發布的<\p>只是一個錯字，這是您的問題實際上是關於什麼。

這是關於如何.string在BeautifulSoup工作。它的工作原理不同，這取決於元素的子 - if an element has multiple children, it returns None：

如果一個標籤包含一個以上的事情，那麼，目前還不清楚應該是指什麼.string，所以.string被定義爲None

公告，如何.string爲p元素爲None，但a它不是：

In [1]: from bs4 import BeautifulSoup 

In [2]: soup = BeautifulSoup("<p>'hello'<a>'my link'</a></p>", 'html.parser') 

In [3]: print(soup.p.string) 
None 

In [4]: print(soup.p.a.string) 
'my link' 

獲得元素的文本正確的，更可靠的方法是通過.get_text()：

In [5]: print(soup.p.get_text(strip=True)) 
'hello''my link'